elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Deep learning, remote sensing and visual analytics to support automatic flood detection

Ghosh, Binayak und Garg, Shagun und Motagh, Mahdi und Eggert, Daniel und Sips, Mike und Martinis, Sandro und Plank, Simon Manuel (2022) Deep learning, remote sensing and visual analytics to support automatic flood detection. EGU General Assembly 2022, 2022-05-23 - 2022-05-27, Wien, Österreich. doi: 10.5194/egusphere-egu22-12271.

[img] PDF
296kB

Offizielle URL: https://meetingorganizer.copernicus.org/EGU22/EGU22-12271.html

Kurzfassung

Floods can have devastating consequences on people, infrastructure, and the ecosystem. Satellite imagery has proven to be an efficient instrument in supporting disaster management authorities during flood events. In contrast to optical remote sensing technology, Synthetic Aperture Radar (SAR) can penetrate clouds, and authorities can use SAR images even during cloudy circumstances. A challenge with SAR is the accurate classification and segmentation of flooded areas from SAR imagery. Recent advancements in deep learning algorithms have demonstrated the potential of deep learning for image segmentation demonstrated. Our research adopted deep learning algorithms to classify and segment flooded areas in SAR imagery. We used UNet and Feature Pyramid Network (FPN), both based on EfficientNet-B7 implementation, to detect flooded areas in SAR imaginary of Nebraska, North Alabama, Bangladesh, Red River North, and Florence. We evaluated both deep learning methods' predictive accuracy and will present the evaluation results at the conference. In the next step of our research, we develop an XAI toolbox to support the interpretation of detected flooded areas and algorithmic decisions of the deep learning methods through interactive visualizations.

elib-URL des Eintrags:https://elib.dlr.de/187101/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Deep learning, remote sensing and visual analytics to support automatic flood detection
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Ghosh, BinayakGFZNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Garg, ShagunUniversity of CambridgeNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Motagh, MahdiGFZNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Eggert, DanielGFZNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Sips, MikeGFZNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Martinis, Sandrosandro.martinis (at) dlr.dehttps://orcid.org/0000-0002-6400-361XNICHT SPEZIFIZIERT
Plank, Simon ManuelSimon.Plank (at) dlr.dehttps://orcid.org/0000-0002-5793-052XNICHT SPEZIFIZIERT
Datum:2022
Referierte Publikation:Nein
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
DOI:10.5194/egusphere-egu22-12271
Status:veröffentlicht
Stichwörter:Floods, deep Learning, SAR
Veranstaltungstitel:EGU General Assembly 2022
Veranstaltungsort:Wien, Österreich
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:23 Mai 2022
Veranstaltungsende:27 Mai 2022
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit
Hinterlegt von: Martinis, Sandro
Hinterlegt am:27 Jun 2022 10:35
Letzte Änderung:24 Jun 2024 13:03

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.